摘要：第行把具名元組以的形式返回。對序列使用和通常號兩側的序列由相同類型的數據所構成當然不同類型的也可以相加，返回一個新序列。從上面的結果可以看出，它雖拋出了異常，但仍完成了操作查看字節碼并不難，而且它對我們了解代碼背后的運行機制很有幫助。

《流暢的Python》筆記。
接下來的三篇都是關于Python的數據結構，本篇主要是Python中的各序列類型

Python標準庫用C實現了豐富的序列類型，可分為兩大類：

容器序列：list，tuple和collections.deque等這些序列能存放不同類型的數據。

扁平序列：str，bytes，bytearray，memoryview和array.array等，這些序列只能容納一種類型。

容器序列存放的是它們所包含的任意類型的對象的引用，而扁平序列存放的是值而不是引用。即，扁平序列其實是一段連續的內存空間，更加緊湊。

序列類型還可以按能否被修改來分來：

可變序列（MutableSequence）：list，bytearray，array.array，collections.deque和memoryview；

不可變序列（Sequence）：tuple，str和byte。

以下是這兩大類的繼承關系：

雖然Python中內置的序列類型并不是直接從Sequence和MutableSequence這兩個抽象基類繼承而來，但了解這些基類可以總結出那些完整的序列類型包含了哪些功能，以及將上述兩種分類方式融會貫通。

下面我們從最常用的列表（list）開始。

列表推導（list comprehension，簡稱listcomps）是構建列表的快捷方式，而生成器表達式（generator expression, 簡稱genexps）則可以用來創建其它任何類型的序列。

有時候，比起用for循環，列表推導可能會更簡單可讀。通常的原則是，只用列表推導來創建新的列表，并且盡量保持簡短。如果列表推導的代碼超過了兩行，應該考慮是不是得用for循環重寫，不過這個度得自己把握。（句法提示：Python會忽略[],{},()中的換行，所以可以省略不太好看的換行符)

注意：在Python3中，列表推導、生成器表達式，以及和它們很相似的集合（set）推導和字典（dict）推導都有了自己的局部作用域，不會影響外部的同名變量（Python2中則可能會影響），如下：

>>> x = "a"
>>> test = [x for x in "ABC"]
>>> x
"a"   # 在Python2中，該結果則可能是 "C"

列表推導可以過濾或加工一個序列或其他可迭代類型中的元素，然后生成一個新列表。而Python內置的filter和map函數組合起來也能達到這一效果（一般需要借助lambda表達式），但可讀性卻比不上列表推導，比如下面的代碼：

>>> symbols = "ABCDEFG"
>>> ascii = [ord(s) for s in symbols if ord(s) > 66]
>>> ascii
[67, 68, 69, 70, 71]
>>> ascii = list(filter(lambda c: c > 66, map(ord, symbols)))
>>> ascii
[67, 68, 69, 70, 71]

原本以為map/filter組合起來會比列表推導快一些，但有測試證明該結論不一定成立。對于map, filter的詳細介紹將放在后面的文章中。

簡單說就是簡化嵌套for循環，例子如下：

colors = ["black", "white"]
sizes = ["S", "M", "L"]
tshirts = [(color, size) for color in colors for size in sizes]

tshirts_for = [] # 最后它的內容等價于上面的tshirts
for color in colors:
    for size in sizes:
        tshirts_for.append((color, size))

列表推導的作用只有一個：生成列表。如果想生成其他類型的序列，則需要使用生成器表達式。

雖然也可以用列表推導式來初始化元組，數組或其他序列類型，但生成器表達式是更好的選擇，因為生成器表達式背后遵循了迭代器協議，可以逐個生成元素（可節省內存），而不是一次性生成所有元素。

生成器表達式語法跟列表推導差不多，只是把方括號換成了圓括號而已，如下：

>>> symbols = "ABCDEFG"
>>> tuple(ord(symbol) for symbol in symbols)  # ①
(65, 66, 67, 68, 69, 70, 71)
>>> import array
>>> array.array("I", (ord(symbol) for symbol in symbols))  # ②
array("I", [65, 66, 67, 68, 69, 70, 71])

①如果生成器表達式是一個函數調用過程中的唯一參數，則可不加括號將其圍起來；

②array的構造方法需要兩個參數，因此括號是必需的。

下面用生成器表達式改寫上面的笛卡爾積代碼：

colors = ["black", "white"]
sizes = ["S", "M", "L"]
for tshirt in ("%s %s" % (c, s) for c in colors for s in sizes):
    print(tshirts)

# 結果：
black S
black M
black L
white S
white M
white L

生成器表達式逐個生成元素，不會一次性生成一個含有6個元素的列表。關于生成器表達式的工作原理將在后面的文章中介紹。

元組除了用作不可變的列表，它還可以用于沒有字段名的記錄，比如坐標，身份信息等，這里不再舉例。

此概念之前涉及過，這里將其總結一下：

# 平行賦值
a, b = ("test1", "test2")
# 不用中間變量交換兩個變量的值
b, a = a, b
# *號運算將可迭代對象拆開作為函數參數
t = (20, 8)
divmod(*t)  # 該函數的意思是： 20 ÷ 8 = 2 …… 4， 函數返回商和余數的元組
# 用*來處理剩下的元素，Python3支持
a, b, *rest = range(5)  # rest的值為[2, 3, 4]
a, b, *rest = range(3)  # rest的值為[2]
a, b, *rest = range(2)  # rest的值為[]
# 在平行賦值中，*前綴只能用在一個變量前，但該變量可在任意位置
>>> a, *body, c, d = range(5) # 值依次為 0, [1, 2], 3, 4
>>> *head, b, c, d = range(5) # 值依次為 [0, 1], 2, 3, 4

接受表達式的元組可以是嵌套式的，例如(a, b, (c, d))，只要這個接受元組的嵌套結構符合表達式本身的嵌套結構，以下用嵌套元組來獲取經緯度：

metro_areas = [
    ("Tokyo", "JP", 36.933, (35.689722, 139.691667)),
    ("Delhi NCR", "IN", 21.935, (28.613889, 77.208889)),
    ("Mexico City", "MX", 20.142, (19.433333, -99.133333)),
    ("New York-Newark", "US", 20.104, (40.808611, -74.020386)),
    ("Sao Paulo", "BR", 19.649, (-23.547778, -46.635833)),
]

print("{:15} | {:^9} | {:^9}".format(" ", "lat.", "long."))
fmt = "{:15} | {:9.4f} | {:9.4f}"
# 把輸入元組的最后一個元素拆包到由變量構成的元組中
for name, cc, pop, (latitude, longitude) in metro_areas:
    if longitude <= 0:
        print(fmt.format(name, latitude, longitude))
        
# 結果：
                |   lat.    |   long.  
Mexico City     |   19.4333 |  -99.1333
New York-Newark |   40.8086 |  -74.0204
Sao Paulo       |  -23.5478 |  -46.6358

上篇中有所涉及。collections.namedtuple是一個工廠函數，它可以創建一個帶字段名的元組和一個有名字的類——這個帶名字的類對調試程序有很大幫助。

namedtuple構造的類的實例所消耗的內存跟元組是一樣的，因為字段名都存在對于的類中。這個實例跟普通對象實例比起來要小一些，因為Python不會用__dict__來存放這些實例的屬性。

from collections import namedtuple

City = namedtuple("City", "name country population coordinates")
tokyo = City("Tokyo", "JP", 36.933, (35.689722, 139.691667))
print(tokyo)
print(tokyo.population)
print(tokyo[1])

print(City._fields)
LatLong = namedtuple("LatLong", "lat long")
delhi_data = ("Delhi NCR", "IN", 21.935, LatLong(28.613889, 77.208889))
delhi = City._make(delhi_data)
print(delhi._asdict())
for key, value in delhi._asdict().items():
    print(key + ":", value)

# 結果：
City(name="Tokyo", country="JP", population=36.933, coordinates=(35.689722, 139.691667))
36.933
JP
("name", "country", "population", "coordinates")
OrderedDict([("name", "Delhi NCR"), ("country", "IN"), ("population", 21.935),
             ("coordinates", LatLong(lat=28.613889, long=77.208889))])
name: Delhi NCR
country: IN
population: 21.935
coordinates: LatLong(lat=28.613889, long=77.208889)

第3行：創建一個具名元組需要兩個參數，一個是類名，一個是類的各字段名。后者可以是由數個字符串組成的可迭代對象，或者是由空格分隔的字符串；

第6,7行：可通過字段名或位置來獲取一個字段的信息；

第9行：_fields屬性是一個包含這個類所有字段名的元組；

第12行：_make()通過接受一個可迭代對象來生成這個類的一個實例，它的作用跟City(*delhi_data)是一樣的。

第13行：_asdict()把具名元組以collections.OrderedDict的形式返回。

注意第10，27行！

除了跟增減元素相關的方法外，元組支持列表的其他所有方法。還有一個例外就是元組沒有__reversed__方法，但這方法只是個優化，reversed(my_tuple)這個方法在沒有__reversed__的情況下也是合法的。

切片在Python基礎中介紹了一些遍歷的基本操作，這里補充一些高級的用法。

>>> test = list(range(6))
>>> test
[0, 1, 2, 3, 4, 5]
# 指定步長賦值
>>> test[3::2] = [11, 22]
>>> test
[0, 1, 2, 11, 4, 22]
# 將列表變長（也可以變短）
>>> test[1:3] = [7, 8, 9]
>>> test
[0, 7, 8, 9, 11, 4, 22]
>>> test[1:3] = 100
Traceback (most recent call last):
  File "", line 1, in 
TypeError: can only assign an iterable
>>> test[1:3] = [100]
[0, 100, 9, 11, 4, 22]

Python中有一個切片類（slice），可以用它創建切片對象：

temp = "adfadfadfadfafasdf"
TEST = slice(2, 8)  # 一般大寫
print(temp[TEST])

# 結果：
fadfad

[ ]運算符中還可以使用以逗號分開的多個索引或者切片，比如第三方庫Numpy中就用到了這個特性，二維的numpy.ndarray就可以用a[i, j]來獲取值（這里的語法和C#一樣，相當于C/C++中的a[i][j]），或者a[m:n, k:l]來獲得二維切片。要正確處理這種語法，對象的特殊方法__getitem__和__setitem__需要以元組的形式來接收a[i, j]中的索引，即，如果要得到a[i, j]，Python會調用a.__getitem__((i, j))。關于多維切片的例子在本文后面演示。

省略（ellipsis）的寫法是三個英語句點（...)，而不是Unicode碼位U+2026表示的半個省略號（和前面三個句點幾乎一模一樣）。省略在Python解釋器眼里是一個符號，而實際上它是Elllipsis對象的別名，而Ellipsis對象又是ellipsis類的單一實例（ellipsis是類名，全小寫，而它的內置實例寫作Ellipsis。這跟bool是小寫，而它的兩個實例True和False是大寫一個道理）。它可以當做切片規范的一部分，也可用在函數的參數列表中，如f(a,...,z)，或a[i: ...]。在Numpy中，...用作多維數組切片的快捷方式，即x[i, ...]就是x[i, :, :, :]的縮寫。

筆者暫時還沒發現Python標準庫中有任何Ellipsis或者多維索引的用法。這些句法上的特性主要是為了支持用戶自定義類或者擴展，Numpy就是一個例子。

通常+號兩側的序列由相同類型的數據所構成（當然不同類型的也可以相加），返回一個新序列。如果想把一個序列復制幾份再拼接，更快捷的做法是乘一個整數：

>>> [1, 2] + [3]
[1, 2, 3]
>>> [1, 2] * 2
[1, 2, 1, 2]
>>> 5 * "abc"
"abcabcabcabcabc"

注意：這里有深淺復制的問題，如果在A * n這個語句中，序列A中的元素b是對其他可變對象的引用的話，則新序列中A2中的n個元素b1……bn都指向同一個位置，即對b1到bn中任意一個賦值，都會影響其他元素。下面以一個創建多維數組的例子來說明這個情況（字符串是不可變對象，而列表是可變對象！）：

正確的寫法：

board = [["_"] * 3 for i in range(3)]
print(board)
board[1][2] = "X"
print(board)
# 等價于：
board = []
for i in range(3):
    row = ["_"] * 3
    board.append(row)

# 結果：
[["_", "_", "_"], ["_", "_", "_"], ["_", "_", "_"]]
[["_", "_", "_"], ["_", "_", "X"], ["_", "_", "_"]]

錯誤的寫法：

weird_board = [["_"] * 3] * 3
print(weird_board)
weird_board[1][2] = "X"
print(weird_board)
# 等價于：
weird_board = []
row = ["_"] * 3
for i in range(3):
    weird_board.append(row)

# 結果：
[["_", "_", "_"], ["_", "_", "_"], ["_", "_", "_"]]
[["_", "_", "X"], ["_", "_", "X"], ["_", "_", "X"]]

增量賦值運算符+=和*=的表現取決于它們的第一個操作對象，以+=為例。+=背后的特殊方法是__iadd__(用于“就地加法”)，如果一個類沒有實現該方法，則會調用__add__。例如 a += b，如果a實現了__iadd__，則直接調用該方法，修改的是a，不會產生新對象，而如果沒有實現該方法，則會調用__add__，執行的運算實際是 a = a + b，該運算會生成一個新變量，存儲a + b的結果，然后再把該新變量賦值給a。

總體來說，可變序列一般都實現了__iadd__，而不可變序列根本就不支持這個操作。對不可變序列執行重復拼接操作的話，效率很低，因為每次都會生成新對象，而解釋器需要把原來對象中的元素先復制到新對象中，然后再追加新元素。但str是個例外，因為對字符串做+=操作是在太普遍了，于是CPython對它做了優化：str初始化時，程序會為它預留額外的可擴展空間，因此做增量操作時不會涉及復制原有字符串到新位置的操作。

對于以下操作，大家猜想會得到什么樣的結果：

>>> t = (1, 2, [3, 4])
>>> t[2] += [5, 6]

它的結果是報錯，但t依然被改變了：

# 緊接上述代碼
Traceback (most recent call last):
  File "", line 1, in 
TypeError: "tuple" object does not support item assignment
>>> t
(1, 2, [3, 4, 5, 6])
# 如果是t[2].extend([5, 6])則不會報錯

如果我們看Python表達式 s[a] += b的字節碼，便不難理解上述結果：

>>> import dis
>>> dis.dis("s[a] += b")
  1           0 LOAD_NAME                0 (s)
              2 LOAD_NAME                1 (a)
              4 DUP_TOP_TWO
              6 BINARY_SUBSCR
              8 LOAD_NAME                2 (b)
             10 INPLACE_ADD
             12 ROT_THREE
             14 STORE_SUBSCR
             16 LOAD_CONST               0 (None)
             18 RETURN_VALUE

從上述結果可以看出：

第6行：將s[a]的值存入TOS(Top Of Stack，棧頂)；

第8行：計算TOS += b， 這一步能夠完成，因為TOS指向一個可變對象；

第14行：s[a] = TOS，報錯，因為s是個元組，不可變。

從上述操作可以得到3個教訓：

不要把可變對象放在元組中；

增量賦值不是一個原子操作。從上面的結果可以看出，它雖拋出了異常，但仍完成了操作；

查看Python字節碼并不難，而且它對我們了解代碼背后的運行機制很有幫助。

bisect模塊包含兩個主要函數，bisect和insort，這兩個函數都利用二分查找算法在有序列表中查找或插入元素。

bisect用于查找元素的位置：biisect(haystack, needle)。它返回needle在haystack中的位置index，如果要插入元素，可以在找到位置后，再調用haystack.insert(index, new_ele)，但也可以用bisect模塊中的insert直接插入，并且該方法速度更快。

Python的高產貢獻者Raymond Hettinger寫了一個排序集合模塊sortedcollection，該模塊集成了bisect功能，且比獨立的bisect更易用。

bisect需要注意兩點：

兩個可選參數lo和hi：lo默認值是0，hi默認值是序列的長度，即len()作用域該序列的返回值。

bisect函數其實是bisect_right函數的別名，它返回的位置是與needle相等的元素的后一個位置，而它的兄弟函數bisect_left則返回的是與needle相等的元素的位置。

>>> import bisect
>>> test = [1, 2, 3, 4, 5, 6, 7]
>>> bisect.bisect(test,1)
1
>>> bisect.bisect_left(test,1)
0

相應的，模塊中insort也有兩個版本，insort是insort_right的別名，它也有兩個可選參數lo和hi，insort_left的背后調用的就是bisect_left。

>>> bisect.insort(test, 1.0)
>>> test
[1, 1.0, 2, 3, 4, 5, 6, 7]
>>> bisect.insort_left(test, 1.0)
>>> test
[1.0, 1, 1.0, 2, 3, 4, 5, 6, 7]

當我們有特定的數據集時，list并不一定是首選，比如存放1000萬個浮點數，數組（array）的效率就要高很多，因為數組的背后并不是float對象，而是數字的機器翻譯，也就是字節表述。這點和C語言中的數組一樣。再比如，如果要頻繁對序列做先進先出的操作，deque（雙端隊列）的速度應該會更快。

如果需要一個只含數字的列表，array.array會比list更高效，它支持所有跟可變列表有關的操作，包括.pop，.insert，.extend等。另外數組還支持從文件讀取和存入文件的更快的方法，比如.frombytes和.tofile。

數組跟C語言數組一樣精簡，創建一個數組需要指定一個類型碼，這個類型碼用來表示在底層的C語言應該存放怎樣的數據類型，以下是array.array的操作例子：

from array import array
from random import random

print("

")
floats = array("d", (random() for i in range(10 ** 7)))
print(floats[-1])
with open("floats.bin", "wb") as fp:
    floats.tofile(fp)

floats2 = array("d")
with open("floats.bin", "rb") as fp:
    floats2.fromfile(fp, 10 ** 7)
print(floats2[-1])
print(floats2 == floats)

# 結果：
0.8220703930498271
0.8220703930498271
True

有人做過實驗，用array.fromfile從一個二進制文件讀出1000萬個雙精度浮點數只需要0.1秒（筆者電腦有點年代了，達不到這個速度），速度是從文本文件里讀取的60倍，因為后者會使用內置的float方法把每一行文字轉換成浮點數。另外，array.tofile寫入二進制文件也比寫入文本文件快7倍。另外，這1000萬個數的bin文件只占8千萬字節，如果是文本文件的話，需要181515739字節。

另一個快速序列化數字類型的方法是使用pickle模塊，pickle.dump處理浮點數組的速度幾乎和array.tofile一樣快，而且pickle可以處理幾乎所有的內置數字類型

memoryview是個內置類，它讓用戶在不復制內存的情況下操作同一個數組的不同切片。memoryview的概念受到了Numpy的啟發。

內存視圖其實是泛化和去數學化的Numpy數組。它讓你在不需要復制內容的前提下，在數據結構之間共享內存。其中數據結構可以是任何形式，比如PIL圖片、SQLite數據庫和Numpy數組等待。這個功能在處理大型數據集合的時候非常重要。

memoryview.cast的概念跟數組模型類似，能用不同的方式讀取同一塊內存數據，而且內存字節不會隨意移動。這有點類似于C語言的類型轉換。memoryview.cast會把同一塊內存里的內容打包成一個全新的memoryview對象返回。

下面這個例子精確地修改一個數組的某個字節：

import array
# 16位二進制整數
numbers = array.array("h", [-2, -1, 0, 1, 2])
memv = memoryview(numbers)
print(len(memv))
print(memv[0])
# 轉換成8位的無符號整數
memv_oct = memv.cast("B")
print(memv_oct.tolist())
# 這個坐標剛好是第3個16位二進制數的高位字節
memv_oct[5] = 4
print(numbers)

# 結果：
5
-2
[254, 255, 255, 255, 0, 0, 1, 0, 2, 0]
array("h", [-2, -1, 1024, 1, 2])

拼接這NumPy和SciPy提供的高階數組和矩陣操作，Python稱為科學計算應用的主流語言。NumPy實現了多維同質數組（homogeneous array）和矩陣，這些數據結構不但能處理數字，還能存放其他由用戶定義的記錄。SciPy是基于NumPy的另一個庫，他提供了很多跟科學計算有關的算法，專為線性代數、數值積分和統計學而設計。SciPy的高校和可靠性歸功于背后的C和Fortran代碼，而這些跟計算有關的部分都源自于Netlib。SciPy把基于C和Fortran的工業級數學計算功能用交互式且高度抽象的Python包裝起來。

以下是一些NumPy二維數組的基本操作：

>>> import numpy
>>> a = numpy.arange(12)
>>> a
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

>>> type(a)

# 數組a的維度
>>> a.shape
(12,)
# 手動設置數組維度，3行4列
>>> a.shape = 3, 4
>>> a
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])
# 第2行
>>> a[2]
array([ 8,  9, 10, 11])
# 第2行第1列元素
>>> a[2, 1]
9
# 第1列元素
>>> a[:, 1]
array([1, 5, 9])
# 轉置
>>> a.transpose()
array([[ 0,  4,  8],
       [ 1,  5,  9],
       [ 2,  6, 10],
       [ 3,  7, 11]])
# 全部數據乘2
>>> a *= 2
>>> a
array([[ 0,  2,  4,  6],
       [ 8, 10, 12, 14],
       [16, 18, 20, 22]])

NumPy也可讀取、寫入文件：

# 從文本文件中讀取數據
floats = numpy.loadtxt("filename.txt")
# 把數組存入后綴為.npy的二進制文件，會自動加后綴名
numpy.save("filesave", floats)
# 從.npy文件中讀取數據，這次load方法利用了一種叫做內存映射的機制，它讓
# 我們在內存不足的時候仍可以對數組切片
floats2 = numpy.load("filesave.npy", "r+")

這兩個庫都異常強大，它們也是一些其他庫的基礎，比如Pandas和Blaze數據分析庫。

利用.append和.pop方法，可以將列表（list）變成棧和隊列。但刪除列表的第一個元素或在第一個元素前插入元素之類的操作會很耗時，因為會移動數據。如果經常要在列表兩端操作數據，推薦使用collections.deque類（雙向隊列）。它是一個線程安全、可快速從兩端添加刪除元素的數據類型。下面是它的操作示范：

# maxlen是個可選參數，表示隊列最大長度，該屬性一旦設定變不能修改
>>> dq = deque(range(10), maxlen=10)
>>> dq
deque([0, 1, 2, 3, 4, 5, 6, 7, 8, 9], maxlen=10)
# 隊列旋轉操作，接收參數n，當n＞0時，隊列最右邊n個元素移動到最左邊
# 當n＜0時，隊列最左邊n個元素移動到最右邊
>>> dq.rotate(3)
>>> dq
deque([7, 8, 9, 0, 1, 2, 3, 4, 5, 6], maxlen=10)

>>> dq.rotate(-4)
>>> dq
deque([1, 2, 3, 4, 5, 6, 7, 8, 9, 0], maxlen=10)
# 隊列左邊添加一個元素-1，由于隊列長10，所以元素0被刪除
>>> dq.appendleft(-1)
>>> dq
deque([-1, 1, 2, 3, 4, 5, 6, 7, 8, 9], maxlen=10)
# 隊列右邊添加三個元素，擠掉了最前面的三個元素
>>> dq.extend([11, 22, 33])
>>> dq
deque([3, 4, 5, 6, 7, 8, 9, 11, 22, 33], maxlen=10)
# 注意添加的順序
>>> dq.extendleft([10, 20, 30, 40])
>>> dq
deque([40, 30, 20, 10, 3, 4, 5, 6, 7, 8], maxlen=10)

該數據結構還有許多其他操作，append和popleft是原子操作，可在多線程中安全地使用，不用擔心資源鎖的問題。

queue：提供了同步（線程安全）類Queue，LifoQueue和PriorityQueue，不同的線程可以利用這些數據類型來交換信息。這三個類在隊列滿的時候不會丟掉舊元素，而是被鎖住，直到某線程移除了某個元素。這一特性讓這些類很適合用來控制活躍線程的數量。

multiprocessing：實現了自己的Queue，和queue.Queue類似，設計給進程間通信用的。同時還有一個專門的multiprocessing.JoinableQueue類，該類讓任務管理變得方便。

asyncio：從Python3.4新增的包，包含Queue，LifoQueue，PriorityQueue和JoinableQueue，這些類受queue和multiprocessing模塊的影響，但是為異步編程里的任務管理提供了專門的便利。

heapq：和上述三個模塊不同，它沒有隊列類，而是提供了heappush和heappop方法，讓用戶可以把可變序列當作堆隊列或者優先隊列來使用。

Python入門教材往往會強調列表可以容納不同類型的元素，但實際上這樣做并沒有什么特別的好處。之所以用列表來存放東西，是期待在稍后使用它的時候，其中的元素能有一些共有的特性。Python3中，如果列表里的元素不能比較大小，則是不能對列表進行排序的。元組則恰恰相反，它經常用來存放不同類型的元素，這也符合它的本質，元組就是用作存放彼此之間沒有關系的數據的記錄。

list.sort，sorted，max和min函數的key參數是個很棒的設計，相比于其他語言中雙參數比較函數，這里的參數key只需提供一個單參數函數來提取或計算一個值作為比較大小的標準。說它更高效，是因為在每個元素上，key函數只被調用一次。誠然，在排序的時候，Python總會比較兩個鍵（key），但那一階段的計算發生在C語言那一層，這樣會比調用用戶自定義的Python比較函數更快。key參數也能讓你對一個混有數字字符和數值的列表進行排序，只需決定到底是將字符看做數值（數值排序），還是將數值看成字符（ASCII排序），即key到底是等于int還是等于str。

sorted和list.sort背后的排序算法是Timsort，它是一種自適應算法，會根據原始數據的順序特點交替使用插入排序（數列基本有序時）和歸并排序（沒什么規律時），以達到最佳效率。這樣的算法被證明是有效的，因為來自真實世界的數據通常是有一定的順序特點的。Timsort在2002年的時候首次用在CPython中，自2009年起，Java和Android也開始使用這個算法。后來該算法被廣為人知，是因為在Google對Sun的侵權案中，Oracle把Timsort中的一些相關代碼作為了呈堂證供。Timsort的創始人是Tim Peters，一位高產的Python核心開發者，他也是“Python之禪”的作者之一。

迎大家關注我的微信公眾號"代碼港" & 個人網站 www.vpointer.net ~